电机是现代工业过程中重要的驱动设备,轴承是电机中最基本的部件,也是最容易发生故障的部件之一,电机故障的很大部分都与轴承有关,为了保障电机设备的正常运转,对电机轴承的故障诊断技术进行研究具有重大的实际意义。其中振动信号具有抗干扰能力强,能够检测出轻微故障等优点,成为了轴承故障诊断中最常用的一种信号。因此本文重点研究了基于振动信号的电机轴承故障诊断方法,重点对故障诊断过程中故障的检测、故障特征的提取以及故障模式识别这三个阶段进行了研究,并提出了完整的电机轴承故障诊断方法。主要的研究如下:考虑到轴承发生故障时,信号的复杂度会增加的特点,研究了基于排列熵的轴承故障检测方法,并提出了基于样本熵的电机轴承故障检测方法,为了避免故障检测阈值选取的盲目性,采用了切比雪夫不等式理论的故障检测阈值设置方法,并利用美国凯斯西储大学的轴承数据进行了实验,结果证明了排列熵与样本熵都能够衡量轴承振动信号的复杂性,可以应用于电机轴承故障的检测。针对难以从复杂的振动信号中提取故障特征的问题,分别采用了基于小波包能量熵与集合经验模态分解的轴承故障特征提取方法。介绍了小波包基本原理,通过对故障频率的计算确定了小波包分解层数的最佳范围,避免了分解层数选择不当产生的负面影响,并利用小波包能量熵来表征轴承故障特征。然后,针对于小波包分解没有自适应性的缺陷,研究了基于集合经验模态分解的特征提取方法,并利用相关系数的计算剔除了分解出的伪分量。采用样本熵与排列熵度量集合经验模态分解分解结果中各个本征模态分量的复杂程度,构成故障特征向量。利用电机轴承故障数据进行了测试,表明采用小波包能量熵和集合经验模态分解这两种方式提取出的特征向量都具有很好的聚类性和可分性,能够有效地提取出对不同类型与不同程度的故障特征。为了实现电机轴承故障的智能诊断,提出了基于多分类相关向量机(M-RVM)的电机轴承故障识别方法,该方法无需构造多个二元分类器,可直接实现多分类。利用电机轴承故障特征向量进行分类实验,结果证明多分类相关向量机能够有效地应用于电机轴承故障识别中,并且具有很高的准确率。最后,本文提出了两种完整的电机轴承故障诊断方法,其中第一种故障诊断方法结合了样本熵、小波包能量熵与M-RVM;第二种故障诊断方法结合了排列熵、EEMD分解与M-RVM。利用美国凯斯西储大学的轴承数据对提出的两种故障诊断方法进行了实验验证,结果显示两者均能够有效地对电机轴承故障类型进行诊断,并且可以进一步地对故障直径进行诊断,具有很好的应用前景。